[論文レビュー] Investigating two super-resolution methods for downscaling precipitation: ESRGAN and CAR

Campbell Watson, Chulin Wang+2 more|arXiv (Cornell University)|Dec 2, 2020

Cryospheric studies and observations被引用数 12

ひとこと要約

本研究では、WRFモデルのデータを用いて、粗いグリッドから高解像度グリッドへの降水のスーパーレゾリューションダウンスケーリング（最大9倍）をE-SRGANとCARで評価した。E-SRGANは、bicubic補間法やCARと比較して顕著に優れた性能を示し、9 kmから1 kmへのダウンスケーリングにおいて平均絶対誤差（MAE）が0.078 mm/hrに達した。これは高い精度を示しており、計算コストを低減しつつ気候影響モデリングへの応用が可能であることが示された。

ABSTRACT

In an effort to provide optimal inputs to downstream modeling systems (e.g., a hydrodynamics model that simulates the water circulation of a lake), we hereby strive to enhance resolution of precipitation fields from a weather model by up to 9x. We test two super-resolution models: the enhanced super-resolution generative adversarial networks (ESRGAN) proposed in 2017, and the content adaptive resampler (CAR) proposed in 2020. Both models outperform simple bicubic interpolation, with the ESRGAN exceeding expectations for accuracy. We make several proposals for extending the work to ensure it can be a useful tool for quantifying the impact of climate change on local ecosystems while removing reliance on energy-intensive, high-resolution weather model simulations.

研究の動機と目的

• 粗い解像度の気象モデル出力から高解像度の降水データを生成する計算効率の良い手法の開発を目的とする。
• ESRGANおよびCARのスーパーレゾリューションモデルが、水動力学的モデリング用途における降水フィールドのダウンスケーリングにおいてどの程度の性能を示すかを評価すること。
• 気候影響評価に必要な精度を維持しつつ、エネルギー集約的な高解像度気象シミュレーションへの依存を減らすこと。
• 3 kmおよび9 kmのWRFモデル出力から1 km解像度の降水データを機械学習を用いて生成する可能性を検討すること。
• 特に気候変動影響研究において、湖の長期的水動力学的シミュレーションを高精度に実行するため、入力気象データの解像度を向上させることを支援すること。

提案手法

• 残差内に残差を含む密ブロック（RRDB）を用いたESRGANを採用し、視覚的品質を優先するのではなく、予測精度を最優先するために、VGG損失およびGAN損失を無効化したPSNR指向の訓練を実施した。
• コンテンツに適応するリサンプリングフィルタを用いることで、高解像度ピクセルを生成するメタラーニングされた動的フィルタを備えたコンテンツ適応リサンプリングモデル（CAR）を適用した。
• 2017年から2020年の間の毎時のWRF降水および気象データ（温度、風速、湿度、気圧）を用いてモデルを訓練し、80/20の割合で訓練データとテストデータに分割した。
• 3 kmおよび9 kmのWRFドメインを入力特徴量とし、1 kmのWRF出力をスーパーレゾリューション再構成のターゲットとした。
• 視覚的品質の損失を無効化することで、物理的精度を最適化し、PSNRに基づく誤差を最小化することに特化したESRGANの最適化を実施した。
• 平均絶対誤差（MAE）と複数の時間点における降水イベントの可視的検証を用いて、モデルの性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 ESRGANおよびCARは、従来のbicubic補間法よりも精度の高い方法で、9 kmから1 kmへの降水のダウンスケーリングを実現できるか？
• RQ2 ESRGANの性能は、粗い解像度の入力から細かい降水パターンを再構築する際にCARと比較してどの程度優れているか？
• RQ3 スーパーレゾリューションモデルは、降水フィールドの異なる空間的・時間的スケールにどの程度一般化できるか？
• RQ4 ダウンスケーリング手法は、水動力学的シミュレーションの精度を維持しつつ、計算コストおよび二酸化炭素排出量を削減できるか？
• RQ5 降水のスーパーレゾリューション性能を信頼できる水準に到達させるために、必要な最小限のトレーニングデータ量はどの程度か？

主な発見

• ESRGANは、9 kmから1 kmへのダウンスケーリングにおいて、平均絶対誤差（MAE）が0.078 mm/hrに達し、CAR（0.931 mm/hr）およびbicubic補間法（1.98 mm/hr）を顕著に上回った。
• ESRGANは、極端な降雨システムを含む特定の降水イベントを、構造的歪みを最小限に抑えて正確に再構築した。
• 最大0.1 mm/hrの系統的過小評価が見られたが、ESRGANは多様な天候条件において優れた一般化性能と耐性を示した。
• CARモデルは入力の視覚的特徴を保持していたが、MAEが高いため、細かい降水パターンの再構築が不正確であることが示された。
• 9倍のスーパーレゾリューションタスクが成功裏に達成され、ESRGANが入力ドメインとターゲットドメインの物理的性質が異なる場合でも、大規模な解像度上昇を処理できることを示した。
• 結果から、ESRGANは、湖やその他の局所的エコシステムの水動力学的モデルを駆動するための、高解像度気象モデルシミュレーションの代替として、実用的かつ低コストな選択肢であることが示唆された。